用于光学引导热红外无人机图像超分辨率的引导解耦网络

光学引导热红外无人机图像超分辨率（OTUAV-SR）因其在安防巡检、农业测量和目标检测中的潜在应用而引起了广泛的研究兴趣。现有方法通常采用单一引导模型从光学图像中生成引导特征，以辅助热红外无人机图像超分辨率。然而，在无人机场景的有利和不利条件下，单一引导模型难以生成有效的引导特征，从而限制了 OTUAV-SR 的性能。为了解决这一问题，我们提出了一种新颖的引导解耦网络（GDNet），它根据典型的无人机场景属性解耦光学图像表示，形成有利和不利条件下的引导特征，以实现鲁棒的 OTUAV-SR。此外，我们设计了一个属性感知融合模块来结合所有基于属性的光学引导特征，这可以形成更具判别性的表示并适应属性无关的引导过程。为了促进复杂无人机场景下的 OTUAV-SR 研究，我们引入了 VGTSR2.0，这是一个大规模基准数据集，包含在不同条件和场景下捕获的 3,500 对配准的光学-热红外图像对。在 VGTSR2.0 上的大量实验表明，GDNet 显著提升了 OTUAV-SR 的性能，超越了现有最先进的方法，尤其是在无人机场景中常遇到的具有挑战性的低光照和雾天环境中。数据集和代码将在 https://github.com/Jocelyney/GDNet 公开发布。